arXiv cs.AI· Harun Tolasa, Gorkem Gemalmaz, Volkan Patoglu·· 2 天前AI 评分15
基于主动学习的分阶粘弹性模型参数优化实现真实触觉渲染
Active Learning of Fractional-Order Viscoelastic Model Parameters for Realistic Haptic Rendering
AI 导读
研究提出用主动学习结合人在回路（HiL）优化，确定分阶粘弹性模型参数以提升触觉渲染的真实感。该方法通过定性反馈为每个个体优化参数，再将HiL结果聚合为感知图，从中选出在一般人群中广泛被认为真实的群体级最优参数。针对三种粘弹性材料的实验验证了该方法的有效性，有望改善医学训练模拟器的sim-to-real迁移性能。
正文 · AI 翻译
摘要：有效的医学模拟器需要对具有粘弹性材料特性（如蠕变和应力松弛）的生物组织进行逼真的触觉渲染。分数阶模型提供了一种有效的方法，可以用少量参数描述本质上的时间相关粘弹性动力学，因为它们自然地捕捉了记忆效应。然而，由于分数阶元件的阶数与其他参数之间存在不直观的、频率相关的耦合，确定能够产生高感知真实感的分数阶模型参数值仍然是一个重大挑战。在本研究中，我们提出了一种系统的方法来确定分数阶粘弹性模型的参数，以优化普通人群触觉渲染的感知真实感。首先，我们证明分数阶模型的参数可以通过主动学习有效地优化，使用基于定性反馈的人在回路（HiL）优化，以确保每个个体始终获得高真实感评分。其次，我们提出了一种严谨的方法，将 HiL 优化结果结合到在整个数据集上训练的聚合感知图中，并展示了如何从该表示中选择在普通人群中广泛被认为真实的群体级最优参数。最后，我们通过对三种粘弹性材料进行人类受试者实验来表征其感知真实感，从而为广义分数阶粘弹性模型参数的有效性提供了证据。总体而言，通过所提出的 HiL 优化和聚合方法建立的广义分数阶粘弹性模型，具有显著改善医学训练模拟器仿真到现实迁移性能的潜力。
| 评论： | 本工作已提交至 IEEE Transactions on Haptics 以供可能的发表。14 页，8 幅图 |
| 主题： | 系统与控制（eess.SY）；人工智能（cs.AI）；机器人学（cs.RO） |
| 引用为： | arXiv:2512.00667 [eess.SY] |
| （或 arXiv:2512.00667v2 [eess.SY] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.00667 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Volkan Patoglu [查看电子邮件]
[v1]
2025 年 11 月 29 日星期六 23:38:19 UTC（6,760 KB）
[v2]
2026 年 5 月 19 日星期二 16:13:18 UTC（7,502 KB）
来源：arXiv cs.AI · arxiv.org